Elementy kognitywistyki III: Modele i architektury poznawcze



Podobne dokumenty
Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XII: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze

Elementy kognitywistyki III: Modele i architektury poznawcze

Wstęp do kognitywistyki. Wykład 6: Psychologia poznawcza

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron

Pamięć i uczenie się Organizacja pamięci: systemy i procesy

Wstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD XI: Sztuczne sieci neuronowe

Wstęp do kognitywistyki. Wykład 5: Rewolucja kognitywna?

Sztuczna Inteligencja Tematy projektów Sieci Neuronowe

Uczenie sieci neuronowych i bayesowskich

Główne problemy kognitywistyki: Reprezentacja

MODELOWANIE RZECZYWISTOŚCI

Wstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.

Wykład 1: Wprowadzenie do sieci neuronowych

Zastosowania sieci neuronowych

WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)

Wstęp do kognitywistyki. Wykład 12: Wprowadzenie do SI. Obliczeniowa teoria umysłu

Elementy kognitywistyki III: Modele i architektury poznawcze

Czy architektura umysłu to tylko taka sobie bajeczka? Marcin Miłkowski

Percepcja, język, myślenie

Pamięć i uczenie się Pamięć długotrwała: semantyczna i epizodyczna

Definicje. Algorytm to:

SIECI NEURONOWE Liniowe i nieliniowe sieci neuronowe

Elementy kognitywistyki III: Modele i architektury poznawcze

ZARZĄDZANIE PROCESAMI I PROJEKTAMI. Zakres projektu. dr inż. ADAM KOLIŃSKI ZARZĄDZANIE PROCESAMI I PROJEKTAMI. Zakres projektu. dr inż.

ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE

Pamięć i uczenie się Pamięć przemijająca: krótkotrwała, robocza

Wstęp do kognitywistyki

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Sztuczne sieci neuronowe

S O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor

Sieci neuronowe jako sposób na optymalizacje podejmowanych decyzji. Tomasz Karczyoski Wydział W-08 IZ

KIERUNEK: KOGNITYWISTYKA

Wstęp do kognitywistyki. Wykład 3: Logiczny neuron. Rachunek sieci neuronowych

Kognitywistyka: odkrywanie labiryntu umysłu z różnymi nićmi Ariadny w ręku

O REDUKCJI U-INFORMACJI

Poznawcze i innowacyjne aspekty zarządzania wiedzą w organizacji. Halina Tomalska

Wykład I. Wprowadzenie do baz danych

Księgarnia PWN: Szymon Wróbel - Umysł, gramatyka, ewolucja

Wstęp do kognitywistyki. Wykład 7: Psychologia poznawcza: nietrwałe reprezentacje mentalne

Podstawy metodologiczne symulacji

Prof. Stanisław Jankowski

Pamięć. Wstęp. Daria Woźniak Kognitywistyka III rok

Dariusz Brzeziński Instytut Informatyki, Politechnika Poznańska

16. Taksonomia Flynn'a.

ZARZĄDZANIE PROJEKTAMI I PROCESAMI. Mapowanie procesów AUTOR: ADAM KOLIŃSKI ZARZĄDZANIE PROJEKTAMI I PROCESAMI. Mapowanie procesów

Kognitywistyka, poznanie, język. Uwagi wprowadzające.

Literatura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu

synaptycznych wszystko to waży 1.5 kg i zajmuje objętość około 1.5 litra. A zużywa mniej energii niż lampka nocna.

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta

IMPLEMENTACJA SIECI NEURONOWYCH MLP Z WALIDACJĄ KRZYŻOWĄ

Elementy kognitywistyki:

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010

PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**

Elementy kognitywistyki II: Sztuczna inteligencja

Diagramy czynności. sekwencyjnych i współbieŝnych. pomiędzy uporządkowanymi ciągami czynności, akcji i obiektów

Podstawy Informatyki Systemy sterowane przepływem argumentów

Algorytmy równoległe: ocena efektywności prostych algorytmów dla systemów wielokomputerowych

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego

Metody Sztucznej Inteligencji II

Wprowadzenie do teorii systemów ekspertowych

I EKSPLORACJA DANYCH

dr hab. Maciej Witek, prof. US MODELE UMYSŁU rok akademicki 2016/2017, semestr letni

Temat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Sztuczne sieci neuronowe (SNN)

Wykładnicze grafy przypadkowe: teoria i przykłady zastosowań do analizy rzeczywistych sieci złożonych

1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda

Percepcja, język, myślenie

O badaniach nad SZTUCZNĄ INTELIGENCJĄ

Sieci neuronowe w Statistica

Algorytmy i Struktury Danych

Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe.

Rozdział 1 Sztuczne sieci neuronowe. Materiały do zajęć dydaktycznych - na podstawie dokumentacji programu Matlab opracował Dariusz Grzesiak

Wstęp do sztucznych sieci neuronowych

Algorytm poprawny jednoznaczny szczegółowy uniwersalny skończoność efektywność (sprawność) zmiennych liniowy warunkowy iteracyjny

Inteligentne systemy przeciw atakom sieciowym

Reprezentacje poznawcze

Komputerowe systemy neurodydaktyczne

Temat: Sieci neuronowe oraz technologia CUDA

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

Deep Learning na przykładzie Deep Belief Networks

Z punktu widzenia kognitywisty: język naturalny

Od uczestników szkolenia wymagana jest umiejętność programowania w języku C oraz podstawowa znajomość obsługi systemu Linux.

Załącznik Nr 4. odniesienie do obszarowych efektów kształcenia w KRK. kierunkowe efekty kształceniaopis WIEDZA

Elementy kognitywistyki III: Modele i architektury poznawcze

koniec punkt zatrzymania przepływów sterowania na diagramie czynności

Elementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2

Systemy hybrydowe reaktywno-racjonalne

OBLICZENIA ZA POMOCĄ PROTEIN

Obliczenia równoległe i rozproszone. Praca zbiorowa pod redakcją Andrzeja Karbowskiego i Ewy Niewiadomskiej-Szynkiewicz

Systemy Wbudowane. Założenia i cele przedmiotu: Określenie przedmiotów wprowadzających wraz z wymaganiami wstępnymi: Opis form zajęć

Metrologia: organizacja eksperymentu pomiarowego

Sieć Hopfielda. Sieci rekurencyjne. Ewa Adamus. ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych.

Transkrypt:

Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu

Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe) przeformułowanie założeń w precyzyjnym języku dodatkowe założenia szacowanie parametrów na podstawie danych empirycznych porównywanie przewidywań konkurujących modeli

...w psychologii: Modele modularne - blokowe 1. Blokowe modele umysłu: przepływ informacji w systemie poznawczym (umyśle) struktura systemu poznawczego (bloki, moduły) zasady ich wyróżniania procesy charakterystyczne Atkinson, Shiffrin (1968, 1971)

Model blokowy Blokowy model Atkinsona i Shiffrina (1968)

Model blokowy zapoczątkował nowe podejście w psychologii poznawczej oparty na badaniach nad pamięcią (np. G Sperling pamięć ikoniczna) informacja przetwarzana sekwencyjnie i oddolnie (bottom-up) nast. po sobie etapy, realizowane w kolejnych blokach procesów przetwarzania informacji sekwencyjność działania sprzeczna z licznymi danymi empirycznymi (por. Pandemonium Selfridge, Neisser) blok zespół proc. p.i. o podobnym charakterze i zadaniach, obsługujący wyróżnioną czynność poznawczą z krytyki wyrosło podejście koneksjonistyczne

Pandemonium

Pandemonium bodziec mechanizmy rozpoznające proste cechy ( demony cech ) mechanizmy aktywowane przez demony cech (demony kognitywne mechanizm podejmowania decyzji i rozpoznania (demon decyzyjny) zjawisko mam to na końcu języka...

Koncepcja poziomów przetwarzania Craik, Lockhart (1972) jako ramy teoretyczne badań nad pamięcią każda informacja przetwarzana jest przez te same struktury, ale na różnym poziomie głębokości głębokość - liczba, złożoność operacji poziom płytki sensoryczna analiza danych poziom głęboki semantyczna analiza odbieranego sygnału poziom trzeci (najgłębszy) aktywizacja skojarzeń ze zanalizowanym sensorycznie i semantycznie sygnałem obieg pierwotny: dane odbierane na poziomie płytkim, poziom głęboki, najgłębszy obieg wtórny włączane dane zakodowane w pamięci

Koncepcja poziomów przetwarzania

Koncepcja poziomów przetwarzania Model jednolity, zakłada oddolny charakter przetwarzania dwa źródła informacji podlegających przetwarzaniu wejście do systemu na dowolnym poziomie wnioski: efektywność pracy systemu zależy od głębokości przetworzenia informacji podatność na zakłócenia i zapominanie zależna od głębokości przetwarzania o wyborze poziomu przetwarzania decydują czynniki zewnętrzne (rodzaj zadania) lub wewnętrzne (wymagania przyjęte przez sam system poznawczy)

Intermezzo: symbole i neurony

Intermezzo: symbole i neurony Poznanie: mentalna manipulacja mentalnych reprezentacji świata; modelujemy manipulacje symbolami Operacje obliczeniowe Reprezentacje symboliczne Poznanie: propagacja pobudzeń w sieciach prostych jednostek; modelujemy aktywacje jednostek i architektury sieci neuronowych Operacje obliczeniowe Reprezentacje sieciowe (lokalne/rozproszone)

Modele sieciowe McClelland, Rumelhart, grupa badawcza PDP (Parallel Distributed Processing) Założenia: przetwarzanie odbywa się dzięki aktywności licznych, prostych jednostek tworzą one sieć, której węzły (tj. jednostki) aktywizują się nie sekwencyjne, ale równocześnie model ma symulować pracę mózgu architektura sieci neuronowych: neuronowa warstwa wejściowa, wyjściowa i ukryte (pośredniczące)

Modele sieciowe

Modele sieciowe od warstwy wejściowej, do efektorów sterowanych warstwą wejściową badacz dostarcza informacji zwrotnej uaktywnienie jednostki zależy od sumy wartości pobudzeń (wartość progowa) skuteczność przekazu zależy od wagi połączeń między neuronami operuje strukturami subsymbolicznymi działanie chaotyczne informacje zwrotne uczenie się usuwanie fragmentów wyuczonej sieci symulacja pacjentów z uszkodzeniami mózgu